[发明专利]一种基于人体关键点的屈肘行为检测方法

说明书

本发明公开了一种基于人体关键点的屈肘行为检测，该方法包括：输入待检测的视频或图片，对人员目标进行定位；利用区域多人姿态估计框架(RMPE)获取高质量的人员目标候选框，得到17个人体关键点坐标信息和置信度得分；通过对置信度得分进行阈值化处理，去除检测精度低的关键点坐标；结合人体关键点坐标信息，提出三点定位法，根据关键点之间的角度范围和距离比值得出屈肘行为概率值，定位小目标检测区域；利用迁移学习和目标检测算法检测小目标物体，得到目标类别的置信度得分；将屈肘行为概率值和目标类别置信度得分两者结合，实现人体屈肘行为的检测。本发明的方法能够实现复杂场景下的人体屈肘行为检测，及时检测到安全隐患行为并预警。

技术领域

本发明属于计算机图形与图像处理领域，涉及一种基于人体关键点的屈肘行为检测方法。

背景技术

随着人工智能技术的不断进步，计算机视觉在各个方面的应用也越来越广泛，比较显著的是在视频监控智能识别分析方面。传统的人工监控摄像头画面耗费大量人力物力成本，效率低下且容易出现误判和遗漏，而智能视频监控的出现可以让计算机自动监控违章行为并报警，具有十分重要的意义。目前，人体关键点检测和行为分析取得了一定的进展，这些方法针对单一场景或具体行为等有很好的识别效果。二维人体关键点检测算法主要有两种方法，一种是自上而下的检测方法，先检测到人员目标，再对检测到的人进行关键点检测；另一种是自下而上的检测方法，先检测出所有的人体关键点，再对关键点进行分组关联。人体行为分析则是在人体关键点检测的基础上，基于关键点信息进行分析，进一步推断并分类人体行为。

由于人体关键点、行为分析、目标检测之间存在诸多的联系和共同点，三点之间相互关联，许多方法将其中的两点或三点相结合，基于目标检测的基本框架展开研究。目标检测常用的框架主要分为两类：一类是SSD、YOLO等系列的一阶段目标检测，另一类是R-CNN、Faster R-CNN等系列的二阶段目标检测。一阶段检测速度快但精度略低，二阶段精度高但检测速度慢，在工业作业现场检测方面一般使用速度较快的一阶段目标检测框架，保证检测的高效性和实时性。现有的目标检测算法和行为分析主要是针对简单场景展开研究，训练数据集大都从良好的环境中获取，在单一场景下检测效果较好，但无法适应真实复杂场景下的应用需求。针对海洋石油作业平台等其他复杂场所，检测背景复杂、干扰物较多、视频画面模糊等，难以取得较高的识别准确率，增加了目标检测和视频分析的难度，检测画面中的小目标物体变得更加困难。因此，在背景复杂、干扰加多、画面模糊等实际作业现场中，实现准确高效的检测以分析人体屈肘行为，及时发现并制止作业现场存在的安全隐患行为是一个亟待解决的难题。

发明内容

本发明为了克服上述缺陷，提出了一种基于人体关键点的屈肘行为检测方法，本发明具体步骤如下：

S1，输入待检测的视频或图片，对人员目标进行定位；

S2，通过RMPE框架提取人体骨骼关键点，得到2D人体关键点坐标和置信度得分；

S3，对置信度得分进行阈值化处理，去除检测精度低的关键点坐标；

S4，基于人体关键点，利用三点定位法(左手/右手、左肘/右肘、左肩/右肩)，结合角度范围和距离比值得出屈肘行为概率值；

S5，通过腕部与鼻子和腕部与耳部的关键点，定位小目标检测区域；

S6，基于迁移学习和目标检测算法，对S5中得到的小目标检测区域进行检测，得到目标类别的置信度得分；

S7，将屈肘行为概率值和目标类别置信度得分相结合，实现人体屈肘行为识别；

S8，输出人体屈肘行为检测的类别结果。

本发明的技术方案特征和改进为：